ANALISIS FAKTOR part1

TEKNIK MULTIVARIAT

ANALISIS FAKTOR

A. PENDAHULUAN

Analisis faktor merupakan salah satu metode statistik multivariat yang mencoba menerangkan hubungan antara sejumlah variabel-variabel yang saling independen antara satu dengan yang lain sehingga bisa dibuat satu atau lebih kumpulan peubah yang lebih sedikit dari jumlah variabel awal. Analisis faktor digunakan untuk mereduksi data dan menginterpretasikannya sebagai suatu variabel baru yang berupa variabel bentukan. Analisis faktor juga digunakan untuk mengetahui faktor-faktor dominan dalam menjelaskan suatu masalah. Di dalam analisis varian, regresi berganda dan diskriminan, satu variabel disebut sebagai variabel tak bebas (dependent variable) atau kriterion dan variabel lainnya sebagai variabel bebas atau prediktor. Di dalam analisis faktor disebut teknik interdependensi (interdependence technique) di mana seluruh set hubungan yang independen diteliti (Supranto, 2010).

Analisis faktor merupakan suatu teknik untuk menganalisis tentang saling ketergantungan dari beberapa variabel secara simultan dengan tujuan untuk menyederhanakan dari bentuk hubungan antara beberapa variabel yang diteliti menjadi sejumlah faktor yang lebih sedikit dari pada variabel yang diteliti. Hal ini berarti, analisis faktor dapat juga menggambarkan tentang struktur data dari suatu penelitian (Suliyanto, 2005).

Analisis faktor adalah suatu teknik interdependensi (interdependence technique), dimana tidak ada pembagian variabel menjadi variabel bebas dan variabel tergantung dengan tujuan utama yaitu mendefinisikan struktur yang terletak di antara varaibel-variabel dalam analisis. Analisis ini menyediakan alat-alat untuk menganalisis struktur dari hubungan interen atau korelasi di antara sejumlah besar variabel dengan menerangkan korelasi yang baik antara 3 variabel, yang diasumsikan untuk merepresentasikan dimensi-dimensi dalam data (Hair, 2010).

Jadi, pada prinsipnya analisis faktor digunakan untuk mengelompokkan beberapa variabel yang memiliki kemiripan untuk dijadikan satu faktor, sehingga dimungkinkan dari beberapa atribut yang memengaruhi satu komponen variabel dapat diringkas menjadi beberapa faktor utama yang jumlahnya lebih sedikit.

Di dalam analisis faktor, variabel tidak dikelompokkan menjadi variabel bebas dan tidak bebas, sebaliknnya penggantinya seluruh set hubungan interdependen antar variabel diteliti. Analisis faktor dapat pula dipandang sebagai perluasan dari analisis komponen utama. Keduanya merupakan teknik analisis yang menjelaskan struktur hubungan diantara banyak variabel dalam sistem konkret.

B. TUJUAN ANALISIS FAKTOR

Tujuan dari analisis faktor adalah untuk menggambarkan hubungan-hubungan kovarian antara beberapa variabel yang mendasari tetapi tidak teramati, kuantitas random yang disebut faktor (Johnson and Wichern, 2002).

Menurut Kachigan (1986), aplikasi penggunaan analisis faktor bertujuan untuk :

1. Identifikasi Faktor yang Mendasari

Salah satu penggunaan yang paling penting dari analisis faktor adalah untuk mengidentifikasi faktor yang mendasari dari sekumpulan besar variabel. Dengan mengelompokkan sejumlah besar variabel ke dalam jumlah yang lebih kecil dari kumpulan yang homogen dan membuat variabel baru yang disebut faktor yang mewakili sekumpulan variabel tersebut dalam bentuk yang lebih sederhana, maka akan lebih mudah untuk diinterpretasikan.

2. Penyaringan Variabel (Screening of variables)

Penggunaan penting dari analisis faktor selanjutnya adalah penyaringan variabel untuk disertakan dalam penelitian statistik selanjutnya, seperti analisis regresi atau analisis diskriminan.

3. Meringkas Data (Summary of Data)

Penerapan analisis faktor selanjutnya adalah untuk mengekstrak sedikit atau banyak faktor sesuai yang diinginkan dari satu set variabel.

4. Memilih Variabel (Sampling of Variables)

Penggunaan teknik analisis faktor selanjutnya adalah untuk memilih sekelompok kecil perwakilan variabel yang representatif, walaupun sebagian besar variabel berkorelasi, hal ini bertujuan untuk memecah berbagai masalah praktis.

5. Pengelompokkan Objek (Clustering of Objects)

Selain mengidentifikasi kesamaan antara variabel, analisis faktor dapat digunakan untuk mengelompokkan objek.. Dalam prosedur ini, sering disebut analisis faktor sebagai inverse, sebuah sampel individu diukur pada sejumlah variabel acak, dan dikelompokkan ke dalam kelompok yang homogen berdasarkan antar-korelasinya.

Pada dasarnya, tujuan analisis faktor adalah:

1. Data Sumarization, yakni mengidentifikasi adanya hubungan antar variabel dengan melakukan uji korelasi.

2. Data Reduction, yakni setelah melakukan korelasi, maka dilanjutkan dengan proses membuat sebuah variabel set baru yang dinamakan faktor untuk menggantikan sejumlah variabel tertentu.

Tujuan umum dari teknik analisis faktor adalah menemukan suatu cara untuk mereduksi informasi yang terkandung di dalam sejumlah variabel-variabel original ke dalam set variabel yang lebih kecil dari dimensi-dimensi gabungan dan baru. Untuk menemukan tujuan tersebut, ada 4 hal yang mendukung yaitu mengkhususkan unit analisis, mencapai ringkasan data atau pengurangan data, pemilihan variabel, dan menggunakan hasil analisis faktor dengan teknik-teknik multivariat yang lain (Hair, 2010).

C. MANFAAT ANALISIS FAKTOR

Terdapat manfaat yang bisa diperoleh dari metode analisis faktor menurut Supranto (2004), antara lain:

a. Pada penelitian dengan jumlah variabel yang besar akan menyulitkan dalam pengolahan. Untuk memudahkan pengolahan maka variabel-variabel tersebut dikelompokan terlebih dahulu ke dalam sejumlah faktor yang mempunyai makna bersesuaian.

b. Mempermudah interpretasi hasil analisis sehingga didapat informasi yang realistis dan berguna.

c. Pengelompokkan objek berdasarkan karakteristik yang terkandung dalam faktor.

D. FUNGSI ANALISIS FAKTOR

Terdapat 3 fungsi analisis faktor menurut Suliyanto (2005), diantaranya adalah sebagai berikut:

1. Mengidentifikasi dimensi-dimensi mendasar yang dapat menjelaskan korelasi dari serangkaian variabel.

2. Mengidentifikasi variabel-variabel baru yang lebih kecil, untuk menggantikan variabel tidak berkorelasi dari serangkaian variabel asli yang berkorelasi.

3. Mengidentifikasi beberapa variabel kecil dari sejumlah variabel yang banyak untuk dianalisis multivariat lainnya.

E. MODEL ANALISIS FAKTOR

Secara matematis, analisis faktor hampir mirip dengan regresi linear berganda, yaitu bahwa setiap variabel dinyatakan sebagai suatu kombinasi linear dari faktor yang mendasari (underlying factors). Jumlah (amount) varian yang disumbangkan oleh suatu variabel dengan variabel lainnya yang tercakup dalam analisis disebut communality. Kovariasi antara variabel yang diuraikan, dinyatakan dalam suatu common factors yang sedikit jumlahnya ditambah

F. JUMLAH SAMPEL IDEAL DAN JENIS DATA UNTUK ANALISIS FAKTOR

Secara umum, jumlah sampel dalam analisis faktor minimal 50 pengamatan. Bahkan seharusnya ukuran sampel sebanyak 100 atau lebih besar. Biasanya ukuran sampel dalam analisis ini dianjurkan memiliki paling sedikit 5 kali jumlah variabel yang akan diamati, karena semakin banyak sampel yang dipilih akan mencapai patokan rasio 10:1, dalam arti untuk satu variabel ada 10 sampel (Hair, 2010). Dalam pengertian SPSS, hal ini berarti untuk setiap 1 kolom yang ada, seharusnya terdapat 10 baris data, sehingga jika ada 5 kolom (variabel), minimal seharusnya ada 50 baris data (sampel).

Data dalam analisis faktor minimal adalah interval, sehingga apabila data yg diperoleh berupa data ordinal, harus ditransformasikan menjadi data interval, misalnya dengan menggunakan metode successive interval (Suliyanto,2005).

G. PENENTUAN JUMLAH FAKTOR

Untuk menentukan banyaknya jumlah faktor yang terbentuk dalam analisis faktor dapat dilakukan beberapa pendekatan berikut (Zeithaml, 1990) :

1. Penentuan berdasarkan apriori.

Dalam metode penentuan ini, jumlah faktor telah ditentukan sebelumnya oleh peneliti.

2. Penentuan berdasarkan eigenvalue.

Untuk menentukan jumlah faktor yang terbentuk dapat didasarkan pada eigenvalue. Jika suatu variabel memiliki eigenvalue > 1, dianggap sebagai suatu faktor, sebaliknya jika suatu variabel hanya memiliki eigenvalue < 1, tidak dimasukkan dalam model.

3. Penentuan berdasarkan scree plot.

Scree plot pada dasarnya merupakan grafik yang menggambarkan hubungan antara faktor dengan eigenvalue, pada sumbu Y menunjukkan eigenvalue, sedangkan pada sumbu X menunjukkan jumlah faktor. Untuk dapat menentukan berapa jumlah faktor yang diambil, ditandai dengan slope yang sangat tajam antara faktor yang satu dengan faktor berikutnya.

4. Penentuan berdasarkan persentase varian (percentage of variance).

Persentase varian menunjukkan jumlah variasi yang berhubungan pada suatu faktor yang dinyatakan dalam persentase. Untuk dapat menentukan berapa jumlah faktor yang diambil, harus memiliki nilai persentase varian > 0,5. Sedangkan apabila menggunakan kriteria kumulatif persentase varian, besarnya nilai kumulatif persentase varian > 60%.

Untuk mengetahui peranan masing-masing variabel dalam suatu faktor dapat ditentukan dari besarnya loading variabel yang bersangkutan. Loading dengan nilai terbesar berarti mempunyai peranan utama pada faktor tersebut. Variabel yang memiliki nilai loading < 0,5 dianggap tidak memiliki peranan yang berarti terhadap faktor yang terbentuk sehingga variabel tersebut dapat diabaikan dalam pembentukan faktor.

H. PENAMAAN FAKTOR YANG TERBENTUK

Untuk menamai faktor yang telah dibentuk dalam analisis faktor, dapat dilakukan dengan cara berikut:

1. Memberikan nama faktor yang dapat mewakili nama-nama variabel yang membentuk faktor tersebut.

2. Memberikan nama faktor berdasarkan variabel yang memiliki nilai factor loading tertinggi. Hal ini dilakukan apabila tidak dimungkinkan untuk memberikan nama faktor yang dapat mewakili semua variabel yang membentuk faktor tersebut.

I. UJI KETEPATAN MODEL ANALISIS FAKTOR

Uji ketepatan model digunakan untuk melihat apakah faktor-faktor yang telah terbentuk berdasarkan analisis faktor benar-benar telah valid. Ada beberapa cara untuk menguji ketepatan model dari faktor-faktor yang telah terbentuk, yaitu sebagai berikut:

1. Dengan membagi sampel awal menjadi dua sama besarnya. Apabila ada jumlah sampel ganjil, maka satu sampel harus dihilangkan atau dimasukkan kepada dua bagian sampel tersebut. Kemudian sampel yng telah dibagi dua dianalisis satu persatu. Apabila hasil analisis faktor antara sampel pertama dan sampel kedua tidak banyak perbedaan, faktor yang terbentuk dinyatakan baik.

2. Dengan melihat nilai perbandingan antara observed correlation dengan reproduced correlations. Diharapkan perubahan matriks korelasi yang baru tidak jauh berbeda dengan matriks korelasi asal. Untuk itu, perlu dilakukan perhitungan atas perubahan yang terjadi, yaitu dengan menghitung selisih nilai koefisien korelasi dari matriks korelasi asal dengan koefisien korelasi dari matriks korelasi baru. Jika nilai mutlak dari selisih tersebut melebihi nilai 0,05, dimasukkan dalam kategori bahwa koefisien korelasi tersebut tidak sama (berubah). Kemudian dihitung jumlah koefisien yang berbeda dan tergolong sama. Jumlah relatif dari koefisien yang tergolong sama dijadikan indikator ketepatan model. Model dikatakan baik apabila koefisien yang tidak berubah atau sama lebih banyak (> 50%) daripada yang tergolong berubah. Dalam perkembangannya metode ini lebih banyak digunakan.

#PART1